Primeiro, vamos calcular a oferta de médicos. Para isso, vamos selecionar os municípios solicitados: Jaú/SP, São Paulo/SP, Araripina/PE, Imperatriz/MA, Itabuna/BA, Itapipoca/CE, Estância/SE. Os médicos se inserem no CBO que se inicia em 225. Vamos acessar o mês de Dezembro de cada ano como referência para as análises.
consulta <- "SELECT CODUFMUN, CBO,
PROF_SUS, PROFNSUS,
HORAOUTR, HORAHOSP,
HORA_AMB, COMPETEN,
competencia
FROM Dados.cnes.PF
WHERE (substr(CODUFMUN, 1, 6) = '355030' OR
substr(CODUFMUN, 1, 6) = '352530' OR
substr(CODUFMUN, 1, 6) = '260110' OR
substr(CODUFMUN, 1, 6) = '210530' OR
substr(CODUFMUN, 1, 6) = '291480' OR
substr(CODUFMUN, 1, 6) = '230640' OR
substr(CODUFMUN, 1, 6) = '280210') AND
(substr(CBO, 1, 3) = '225') AND
substr(COMPETEN, 5, 2) = '12' AND
CAST(substr(COMPETEN, 1, 4) AS INTEGER) > 2009"
oferta <- sqlQuery(channel, consulta)O próximo passo foi padronizar essa oferta em uma métrica chamada Full Time Equivalent (FTE), recomendação da própria Organização Mundial da Saúde devido à flexibilidade dos formatos de trabalho de profissionais de saúde.
oferta_fte <-
oferta %>%
mutate(hora_total = HORAOUTR + HORAHOSP + HORA_AMB) %>%
mutate(sus = if_else(PROF_SUS == 1, "Prof_SUS","Nao_SUS")) %>%
group_by(CODUFMUN, sus, COMPETEN) %>%
summarise(horas = sum(hora_total)) %>%
mutate(fte40 = horas/40,
COMPETEN = as.character(COMPETEN),
ano = as.integer(substr(COMPETEN, 1, 4))) %>%
janitor::clean_names() %>%
select(ano, codufmun, sus, fte40) %>%
spread(sus, fte40) %>%
mutate(total = Prof_SUS + Nao_SUS)O cálculo da demanda por parâmetros de razão populacional. Tais parâmetros tiveram sua última atualização em 2021, estão institucionalizados na portaria de consolidação nº1 de 2017 do Ministério da Saúde e já são usados em ferramentas, como o EstimaSUS.
consulta2 <- "SELECT * FROM Dados.populacional.POPTBR"
pop <- sqlQuery(channel, consulta2)Tratamentos adicionais à base de população.
pop <-
pop %>%
janitor::clean_names() %>%
mutate(munic_res = as.character(munic_res)) %>%
mutate(munic_res = substr(munic_res, 1, 6)) %>%
filter(munic_res == '355030' | munic_res == '352530' |
munic_res == '260110' | munic_res == '210530' |
munic_res == '291480' | munic_res == '230640' |
munic_res == '280210')A demanda é calculada a partir de parâmetros sobre a população.
demanda <- pop %>%
janitor::clean_names() %>%
mutate(medico_familia = populacao/2000,
medico_clinico_geral = populacao/4184,
medico_gineco = populacao/4597,
medico_pediatra = populacao/3616,
medico_acupunt = populacao/100000,
medico_alerg = populacao/100000,
medico_angio = populacao/33333,
medico_cirurg_geral = populacao/6451,
medico_cirurg_ped = populacao/50000,
medico_cirurg_plast = populacao/50000,
medico_coloprocto = populacao/50000,
medico_dermato = populacao/43478,
medico_endocrino = populacao/66666,
medico_gastro = populacao/40000,
medico_geriatra = populacao/100000,
medico_hemato = populacao/100000,
medico_homeo = populacao/100000,
medico_infect = populacao/100000,
medico_mast = populacao/100000,
medico_nefro = populacao/38461,
medico_neuro = populacao/21276,
medico_oftalmo = populacao/20000,
medico_ortop = populacao/10000,
medico_otorrino = populacao/33333,
medico_pneumo = populacao/33333,
medico_psiq = populacao/17241,
medico_reumato = populacao/100000,
medico_uro = populacao/33333,
medico_trab = populacao/100000,
medico_anest = populacao/10000,
medico_cirurg_dig = populacao/50000,
medico_cirurg_cp = populacao/100000,
medico_cirurg_tx = populacao/100000,
medico_cirurg_cv = populacao/100000,
medico_genet = populacao/400000,
medico_hemot = populacao/200000,
medico_nuclear = populacao/200000,
medico_onco = populacao/33333,
medico_intens = populacao/33333,
medico_outras = populacao/2000)Como o nível de análise é categoria e não especialidade, somaremos todas as especialidades para acessar a demanda geral.
demanda$demanda <- rowSums(demanda[,4:43])demanda_oferta <- demanda %>%
select(munic_res, ano, populacao, demanda) %>%
mutate(munic_res = as.integer(munic_res)) %>%
left_join(oferta_fte, by = c("ano","munic_res"="codufmun")) %>%
filter(total != "NA") %>%
mutate(resultado = total - demanda) %>%
left_join(hierarquia_municipios, by = c("munic_res" = "cod_municipio"))O gráfico a seguir apresenta os valores de demanda e oferta. A linha verde representa a oferta enquanto que a linha azul é a demanda que seria necessária naquele local, considerando os parâmetros de razão populacional.
a <- demanda_oferta %>%
ggplot(aes(x = ano)) + geom_line(aes(y = demanda), col = "blue") +
geom_line(aes(y = total), col = "darkgreen") + facet_wrap(~municipio, scales = "free") +
theme_minimal()
plotly::ggplotly(a)tabela <-
demanda_oferta %>%
select(ano, municipio, uf, populacao, demanda, Nao_SUS, Prof_SUS, total) %>%
mutate(demanda = round(demanda,2)) %>%
rename(oferta = total)
DT::datatable(tabela)Vamos acessar os dados de plano de saúde. Vamos pegar como referência o mês de dezembro de cada ano.
consulta3 <- "SELECT ID_CMPT, SUBSTR(ID_CMPT, 1, 4) AS ANO,
SG_UF, CD_MUNICIP, SUM(CAST(NR_BENEF_T AS INT)) AS TOTAL_BENEF
FROM Dados.ans_municipios.tb_bb
WHERE
(substr(CD_MUNICIP, 1, 6) = '355030' OR
substr(CD_MUNICIP, 1, 6) = '352530' OR
substr(CD_MUNICIP, 1, 6) = '260110' OR
substr(CD_MUNICIP, 1, 6) = '210530' OR
substr(CD_MUNICIP, 1, 6) = '291480' OR
substr(CD_MUNICIP, 1, 6) = '230640' OR
substr(CD_MUNICIP, 1, 6) = '280210')
AND substr(ID_CMPT, 5, 2) = '12'
GROUP BY ID_CMPT, SG_UF, CD_MUNICIP"
ans <- sqlQuery(channel, consulta3)Vamos juntar os planos de saúde e a população para calcularmos a cobertura de plano de saúde, por meio da divisão do número de beneficiários e população.
hierarquia_municipios$cod_municipio <- as.character(hierarquia_municipios$cod_municipio)
cobertura <-
ans %>%
filter(ANO > 2009) %>%
mutate(CD_MUNICIP = as.character(CD_MUNICIP)) %>%
left_join(pop, by = c("ANO"="ano","CD_MUNICIP"="munic_res")) %>%
mutate(cobertura = (TOTAL_BENEF/populacao) * 100) %>%
left_join(hierarquia_municipios, by = c("CD_MUNICIP"="cod_municipio"))b <- cobertura %>%
ggplot(aes(x = ANO, y = cobertura)) + geom_line() +
facet_wrap(~municipio, scales = "free") +
theme_minimal()
plotly::ggplotly(b)cobertura2 <- cobertura %>%
select(ANO, municipio, populacao, TOTAL_BENEF, cobertura) %>%
mutate(cobertura = round(cobertura, 2)) %>%
janitor::clean_names()
DT::datatable(cobertura2)